Claude Tag可能是一个10x Claude Code级别的产品

先做一些简单介绍，Claude Tag 相当于 Anthropic 正式推出的一个数字员工，Claude 可以以团队成员的身份直接加入公司的 Slack 频道，获得团队全部 context，用户只需在聊天框、文档等地方 @claude ，就能直接调用它来处理任务。

目前整个产品仍在 beta 测试阶段，需要同时拥有 Claude 企业账号和 Slack 企业账号才能试用。

除此之外，也支持配置 skills，支持设置长期目标，定时任务等。

模型方面，目前可以接入 Fable 5、Opus 5、Sonnet 5、Opus 4.8 和 Opus 4.7，只有企业管理员可以在后台切换模型，普通员工则可以直接对 Claude 说 “这个用 Opus 5”，为具体任务临时切换模型。

Tag 只支持在 Slack 的公共频道里面使用，以 usage-based 方式记账，记在企业账上，和 API 价格一致。

如果要在 Slack 内跟 Claude 私聊，则不属于 Tag 的使用范围，需要绑定自己的 Claude 账号，走自己的会员套餐。

•工具调用：

支持几乎所有 MCP 集成，可以自由接入 GitHub、Notion、Google Drive、Snowflake 等。

•运行机制：

Runtime 全部由 Anthropic 云端托管，每个 thread 起一个临时 sandbox 跑完整 agent loop，底层复用的是 claude managed agent 的 tech stack。

Claude Tag 并不是一个多新的产品形态。过去半年多，市面上已经出现了非常多把 AI 放进协作场景、让大家像 @同事一样派活的产品。最早的是 Devin，最火的可能是 OpenClaw。

但这些产品最终没有大规模铺开。小龙虾年初一度非常火，现在却也基本没有留存，背后的核心原因是模型能力还不成熟，Anthropic 的团队认为，其实模型只有到了 Mythos 级别，才算真正解锁了 AI Coworker 的产品形态。

Claude Tag 不是第一个提出这个概念的产品，但它可能标志着这个品类开始真正走向成熟。

这背后做了大量针对性的训练和打磨，Anthropic 在访谈里提到，Claude Tag 之所以好用，Research 层面核心是做好了三件事：

1.Long-horizon autonomy

模型能自主工作的时间，最大程度上决定了 AI 最合适的产品形态。

•当模型只能连续自主工作几分钟时，最合适的是 chat 或 autocomplete，需要全程 human in the loop；

•当它能推进约 1 小时的任务时，local coding agent 开始成立，它可以在一个相对完整的工作流里读代码、改文件、跑测试，但仍然应该运行在用户身旁，方便随时接手；

•只有稳定工作数小时之后，才值得做 async agent：用户下班了，Agent 仍在云端自主推进，最后带着结果回来。

在 Anthropic 看来，Chat、local coding agent、async agent，本质上是不同 task horizon 下的阶段性最优产品。

按照最新的 METR 评测，Mythos 已经能完成大约相当于人类专家连续工作 16 小时的任务。

Claude Tag 又在此基础上增加了 Self-schedule。它可以先完成当前能做的部分，再把下一步安排到未来，比如，下周三回来检查实验数据。于是，单次 16 小时的执行能力可以被连续串联起来，变成持续几个月的长期任务。中间的等待、唤醒和衔接，都由模型自己完成。

2.Memory

记忆对 Tag 很重要，模型需要能真正记住人类交代的 to-do、方法和风格偏好，并把单次经验迁移到未来的任务中。

Anthropic 尝试过很多记忆方案，最后发现，最好用的就是最朴素的文件系统，给模型一块可以长期读写的空间，放手让它自己维护。

当然，这并不意味着每只 Claude 都可以随意翻看全公司的信息。Tag 的记忆会按照权限分层，不同频道之间默认像一间间彼此隔离的办公室：每只 Claude 只能看到自己所属频道里的 Context，只有获得授权后，它才能走出房间，去其他频道浏览信息。

最终，Tag 的整套记忆库分成三层，所有记忆都可查、可改、可删。

•Thread context：当前任务相关的对话和工作过程；

•Channel memory：这个频道长期稳定的规则、决策、项目背景；

•Workspace memory：整个公司的记忆，可以被同一 workspace 的其他公共 channel 复用。

Anthropic 提到，他们尝试了好多年想把记忆做对，到现在这个节点才感觉终于跑通了。

这其实也是 SOTA model 能真正拉开差距的地方：

3.EQ

Anthropic 还专门训练了 Claude Tag 的情商和分寸感，让它能判断出来什么时候该主动帮忙，什么时候该退居幕后。

(我们自己试用完也觉得 Tag 比 Claude Code 情商明显高一个 level，沟通起来非常舒服，很有活人感，表情包也用得相当熟练。)

短期来看，Claude Tag 主要接手的还是基础执行工作，角色更像一个初级运营、行政或工程师。

相比 Claude Code，它主要解锁了两类工作：

1.高协作密度、高 context 密度类工作

Claude Code 本质上还是单人模式。它可能对用户有所了解，却不了解业务每天发生的原始细节和动态进展，需要人类先把 Context 压缩、整理，再喂给模型。

Claude Tag 则常驻在公司群聊里，天然了解一件事情的来龙去脉，所有人也都可以直接跟它协作，随时补充和纠偏。

2.主动响应类工作

Chat/Code/Cowork 都是人类主动发起的，得等人类意识到 “该干这件事了” 才会去用，Tag 则可以主动发现问题并揽下工作。

比如下面这个 demo，线上突然出事了，它可以自己拉取监控、定位问题、编写修复，然后找相关负责人审批，人只需要点个最终同意。

还有一种情况是，很多时候组织内存在盲区，Claude 可以很好地补位，比如有人提了个 edge case 没人跟进、客户反馈里藏着一个重复 pattern。很多事情没人觉得这是自己的职责，Claude Tag 有能力自行提出来，自行包揽。

总体来看，(1) 越需要协作的、 (2) 越依赖 context 的、 (3) 越需要及时响应的、 (4) 越碎片越 dirty 没人愿意做的，越适合交给 Claude Tag。

Tag 的最佳用例其实就是 Anthropic 自己，在 Anthropic 内部，Tag 已经大量接管团队的日常工作：

产品团队约 65% 的代码都由它生成；新人遇到法务、HR 等 onboarding 问题会直接 @Tag；客户反馈频道里的 bug 和数据频道里的所有查数问题，也普遍先交给它处理。

不少员工还会把它当成一个贴身秘书，让它在几十上百个 Slack 频道中筛选重要信息、跟进多个 feature，并自动生成总结。

长期来看，如果模型质量提高，Claude Tag 则可以完整替代一个人类员工，甚至成为整个公司的 OS 系统。

现在 Anthropic 内部已经有了一些苗头，由于他们内部现在接的是更先进的模型，我们也可以通过这个看一下他们内部模型，加上 tag，能做到什么程度。

最让我们惊艳的有三点：

（1）Claude Tag 现在在 Anthropic 内部已经有点成为了一个 "全知全能的共享大脑"。

人类只能同时进行一场对话，而 Claude 可以同时进行几千场，而且这一切都运行在一个共享的记忆层之上。

所以，Tag 能同时整合所有的产品决策、工程决策和 GTM 决策，把很多分散的线索串起来，并主动提示每个人可能的盲区。

为了让 Claude Tag 拥有全部的 raw context，Anthropic 也在刻意营造高度公开的文化，尽量把工作放在公开频道，减少私聊。

（2）Tag 已经有了一点数字分身的雏形。

可以看出，Tag 已经能开始提炼员工的隐性知识。而这可能才是 Tag 对企业更大的长期价值：把优秀员工的经验、Taste 持续提取出来，变成整个组织都能调用的公共能力。

（3）Claude Tag 已经开始完整接手一些复杂的大项目。

这在正常公司里可能要 data scientist、工程师、增长 PM 等好几个人配合，现在 Claude 可以一个人把所有工作串起来，直接端到端为结果负责。

我们一直认为，Anthropic 是目前产品能力最强的模型公司。

OpenAI 烂尾过无数产品，但 Anthropic 过往几乎没有一个失败的产品线。ChatGPT 之后，AI 行业最重要的产品范式，比如 Claude Code、Cowork、Skills、MCP，都是 Anthropic 引领的。

这背后，Anthropic 做产品是有一些清晰的方法论支撑的，所以这里也可以展开一起看看。

相比 OpenAI，Anthropic 尤其在两个点上格外重视，Tag 的诞生过程也恰好同时体现了这两点：

（1）Dogfooding

Anthropic 的产品团队分为两个 Org：

1.Product Team，负责持续打磨 Claude Code、Cowork 等已经成熟的产品。

2.Labs，负责从 0 到 1 的前沿探索，主要有两个方向：

•Close the Gap：缩小 Claude “理论上能做什么” 和 “大多数人日常怎么使用它” 之间的差距。Cowork 就是这条路线的产物。

•Advanced Scout：提前判断哪些事情模型现在做得很差，但六个月后可能会突然做得很好。团队会提前把产品搭出来，等待模型能力成熟。

因为本身做的就是 Coding/办公类产品，Anthropic 几乎所有 Prototype 的第一批真实用户都是自己的员工。

整个公司就像一块大型实验田：

Labs 团队会围绕不同的技术判断播下大量种子，再把它们放进 Anthropic 内部的真实工作环境里生长。有些很快因为需求不足而枯萎，有些只是模型能力的季节还没到，暂时进入休眠；只有极少数能在反复的 Dogfooding 中逐渐扎根。

最终，一个产品只有在内部目标用户中跑出足够好的周活和留存，才有机会对外发布。Anthropic 现在同时运行着几百个 Prototype，其中绝大多数永远都不会面世。

Tag 最早也是这样一个内部实验。它经历了几个月的真实使用和反复打磨，先改变了 Anthropic 自己的工作方式，直到今年 6 月才正式对外发布。

（2）面向未来做产品

Anthropic 更倾向于寻找一种足够宽的产品容器，确保产品可以持续吃到模型进化的红利。

Claude Code 就是一个典型的例子。Anthropic 最早也有人提出要做 Cursor 式的 Autocomplete 产品，但领导层认为这种形态的上限不够高，最后转而押注了完整的 Coding Agent。Claude Code 刚发布时无人在意，直到一年后模型能力追上来才成为爆款。

因此，Anthropic 今天也经常倒推一个问题：假设 Claude 8 已经存在，人们会怎么使用它？今天应该提前搭好什么？”

Claude Tag 就是一种延展性比较强的产品形态。随着模型能力提高，它的价值可以分三层逐步展开：

•Tag 的第一层意义是：打通 context 的交互入口。

Context Layer 的重要性怎么强调都不过分。模型继续变强后，真正限制产品的不再是 Intelligence，而是 Context 的完整程度。过去大家都在想办法让人类先梳理 Context，再打包喂给模型，但其实现在不如直接让模型住进原始的 Context 里。

Tag 第二层意义是：真正的数字员工，拥有记忆、主动性，能独立为完整的项目负责。

Tag 的第三层意义是：AI Firm OS。它开始成为公司的共享大脑，能把组织所有的经验和能力都沉淀下来，Anthropic 内部现在已经有了一些雏形。

未来，AI 最深远的影响可能不是 individual productivity，而是 collective intelligence。

人类可以分工做事，但很难合并大脑。会议、文档和周报，本质上都是人类为了合并集体认知发明的工具，只是它们速度慢、带宽低，而且会损失大量隐性知识，而 Tag 不仅可以轻易 Fork，还可以轻易 Merge。让不同副本并行探索，再把所有副本的经验重新合并。结果是，AI 公司学习、扩张和自我改进的速度，可能远超今天的企业。

接下来，我们好奇的一个问题是：Claude Tag 可能会以多快的速度在企业中落地？

今年年初，市场其实已经给出过一次预演。

当时有创业公司推出过一款和 Claude Tag 高度类似的产品 Viktor，它同样是让一个共享的 AI 同事进入 Slack / Teams 直接干活，用法跟 Tag 几乎完全一样，最大的区别在于可以自由切换模型。

Viktor 的增长曲线相当惊艳：今年 2 月发布，10 周左右就做到 $15M run-rate，12000 多个企业完成下载安装，2000+ 付费客户，这个速度跟 Lovable、Manus 的早期增速差不多，基本上也是历史最高水平。

今年 5 月它也完成了一轮很豪华的融资，甚至 Slack 的两个联创都投了它。

所以，我们本来也对 Claude Tag 的落地相当乐观。但和几位同方向的创业者聊完后，我们的判断变得保守了一些：这类产品更多是在小型科技公司里找到了 PMF (Viktor 目前的客户也大多是 25 人以内的小公司)，要进入更广泛的企业市场，速度不会像想象中那么快。

模型能力方面其实已经 ready 了，Opus 4.6 基本就能解锁这种产品形态，核心是有两大卡点：

1.成本

这是最大的问题。一家 20 人的小公司，如果彻底放开让所有人使用 Claude Tag，一个月可能烧掉大几万美金。

我们自己试用时也被烧钱速度吓到过：接入 Opus 4.8 的情况下，只是让它研究一下如何成功访问某个公司官网，大约就花了 30 人民币；做一次搜集 Claude Tag 用户案例的 Deep Research，则要花 100 人民币左右。

现阶段，只有高精行业里的高成本岗位，用 Claude Tag 才明确地比用真人划算。

这背后，协作式 Agent 之所以成本非常贵，最核心的原因其实是 cache 命中率低。

群聊场景下，Tag 每次都要读取大量上下文，在这个过程中，1V1 对话的上下文是一条相对连续的线。用户每问一句，模型通常只需要沿用上一轮状态，cache 比较容易命中，但多人协作天然是异步的：今天一个人发起任务，半天后另一个人再回来继续，这时 cache 往往已经失效；此外多人共享一个 Agent 时，每个人的权限和上下文都不同，cache 结构和单人使用完全不一样，很难直接复用。

更麻烦的是，Connector 的增加会进一步放大这个问题。一个企业 Agent 可能要挂上百个 connector (法务、财务等不同部门各自有不同的 SaaS 工具)。工具一多：一是 agent 每次执行前要从庞大的工具池里检索该用哪个，不同人的用法和权限又不一样，选错重试的概率很高，cache 也很难复用；二是工具描述本身就要占用大量 context window，进一步推高了单次调用的成本。

2.安全和权限管理

Claude Tag 要想发挥价值，就必须获得大量公司 Context 和系统权限，但这类产品目前还没有办法完美解决安全和权限管理的问题。

据我们了解，只有 Fable 5/Opus 5 这个级别的模型才能实现比较可靠的安全隔离，在 system prompt 约束下，基本不太容易发生 jailbreak。

这有点像自动驾驶。对于企业权限系统来说，99% 的可靠度仍然不够，剩下的 1% 才真正决定产品能否落地。

所以对于小型科技公司来说，组织通常开放透明，架构和权限关系也比较简单，可以大胆用起来。如果要走向更主流的企业市场，大多数客户还无法接受。

我们翻看了过去一个月网上关于 Claude Tag 的所有试用反馈，讨论也比较类似，大家整体对它的工作能力还是满意的，真正的问题是用不起，也不敢完全放权。一方面是大量用户抱怨太烧钱；另一方面是不少人担心数据安全和 Lock-in。有人直接评论：

“Claude Tag is like giving Anthropic your entire company, then renting it back from them.”

1. Claude Tag 可能会真正开启下一个产品范式

走到现在，AI 产品大概经历了三个阶段：

Chat → Coding Agent (Synchronous local agent) → AI Coworker (Asynchronous remote agent)

Chat 是回答问题；Claude Code 开始执行任务；Claude Tag 则进一步进入组织，与多人协作、主动发现问题，并完整接手工作。

这里的每一次跃迁，都可能比之前大一个数量级。

Chat 对应的是信息和内容市场，付费意愿最低；Coding 让 AI 真正变成了生产工具，用户 ARPU 拉高几十倍，对应数千亿美金的市场空间。再往 Coworker 走，AI 开始进入全部白领工作。单个白领的 ARPU 可能低于程序员，但人数和 Task 总量远远更大，至少会打开数万亿美金的市场空间。

对 Tag 来说，Slack 还只是第一站，Teams 版本也会很快发布，已经开放 waiting list。未来，Anthropic 还可以继续与 Zoom、电子邮件和项目管理工具做原生集成，让 Tag 出现在公司的每一条工作流里，并逐渐打通整个组织的记忆。

可以想见的是，Tag 未来也可以和企业版的个人 Claude 账号打通。

到那时，当员工在自己的 Claude Code 里工作时，对面的 Claude 不仅了解个人背景，还能记住全公司的 Context。那就不只是团队的共享同事，也是每个员工各自的数字分身。

2. Claude Tag 很可能有利于 Anthropic 进一步积累企业数据，扩大它在模型能力上的领先优势

最近我们聊到的不少数据专家都提到，“Coding 之后，价值越来越集中在企业里真实的长尾数据，这是最值得继续爬坡的地方”，而 Claude Tag 是采集企业数据一个很好的载体。它的逻辑和 Cursor 类似，先把使用门槛压到最低 (@ 一下就能用)，再用换来的真实工作流筛出高质量数据。

而且它产生的这些 Agent trajectories 格外优质——链路长、上下文完整、带有结果反馈，Anthropic 可以借此看到几千家公司是怎么真实干活的。

同时，Claude Tag 这个形态还有一层防守价值：Agent 的中间过程全都发生在云端，外界通常只能看到最终结果，无法通过中转站拿到完整的 trajectories。开源模型的数据来源被掐断，Anthropic 的数据来源在加厚，开源和闭源的差距可能会因此拉大。

3. Tag 类产品可能让大模型公司开始形成一些护城河

这种护城河不一定来自模型记住了多少公司信息，因为记忆是可以被完整导出的，更关键的是，Claude Tag 会逐渐持有公司的一部分“运行状态”。

比如在 Anthropic 内部，Boris 一个人现在就在同时运行数百个 Tag 任务，其中很多是长程任务，每个都有不同的权限、数据源、与其他任务的依赖关系，它们可能正在等某个客户回复，等一项实验达到发布阈值，或者记着某个尚未完结的 PR 和工单。

如果后面要更换模型供应商，相当于替换一大批正在工作的员工，成本很高，也会担心迁移过程中漏掉某个承诺、或者新 agent 在关键场景下出现未知行为，不再像 ChatGPT/Claude Code 一样没有切换成本了。

这也是为什么 Tag 这种形态对模型公司是更重要的。

现在模型层的竞争越发胶着：单代模型的训练成本越来越高，商业生命周期却越来越短。Anthropic 和 OpenAI 很难真正拉开差距，开源模型可能也只有三个月左右的身位差。一代模型即使短暂领先，真正有效的变现窗口可能也只有两个月。

在智能加速通缩的情况下，模型公司需要尽快做出更有黏性的产品，趁着有限的领先窗口，把智能优势固化成迁移成本。

4. 但问题是，这道护城河最后会归谁？

AI coworker 的控制权目前有四类玩家都在争，各自握着不同的筹码：

如果看大头会被谁吃掉，国内更可能是大厂的游戏，字节、腾讯、阿里各自本身都有完整的生态：又有协作软件，又都亲自下场做模型。

从这个角度，最近飞书并入豆包，其实也非常合理。

这半年，市场已经证实，对 AI 来说，B 端是比 C 端更重要的机会，豆包现在核心关注的战略指标也转向了 B 端的人数和收入。从终局看，飞书和豆包要做的事其实都是自动化所有白领工作。一个做大脑，一个做环境，合起来刚好互补。

如果看海外，也是模型层的机会更大一些：

一是成本差得太远。如果保守假设 Anthropic 的 API 毛利在 80%，第三方调用 Claude 付出的算力成本，就相当于 Anthropic 自己的 5 倍。

二是海外 Context 更碎片化，Slack、Salesforce、Zoom、Notion 等各自拥有不同的 context，模型公司反而可以通过连接所有 SaaS，把所有 memory 打通，成为跨应用的认知层。

而且只要 AI Coworker 这种产品形态足够重要，Anthropic 等模型公司未来就有可能对 API 业务降权，优先推广 Tag 这种自有产品。比如：

•最新模型优先在 Claude Tag 等产品上开放使用 (安全就是一个充分理由，Tag 是 Anthropic 自己掌控 runtime，sandbox、身份、日志、工具等都是可控的，API 则管不到下游)；

•给 Claude Tag 提供大量补贴，同时让 API 维持高价 (目前已经有了苗头：Enterprise 开通 Tag 会赠送 25000 美元额度，Team 版本赠送 2500 美元，但需要超过 10 个 seats)；

•同款模型在 Claude Tag 中获得更高的 thinking budget。

5. Anthropic ARR 有可能重新加速

Claude Tag 相当于在 Claude Code 的基础上，额外叠加了一套增长逻辑：

（1）Tag 可以加快 AI Diffusion 的速度。

相比 Claude Code，Tag 从产品形态到使用门槛都更贴近普通用户。它直接长在群聊里，一个人配置好，整个公司的人都可以使用。

有不少网友提到，公司一开始可能只是把 claude tag 拉到了一个 channel 里，用顺手后就会渐渐把它拉到所有的 channel 里。在这个过程中，每个人，甚至包括外部合作方，都能观察公司里最会用 AI 的人是怎么使用 AI 的，好的 workflow 会自然扩散，甚至不再需要专门做 AI 培训。

（2）Agent 开始自发、持续地消耗 Token。

过去，Token 的消耗速度取决于人类的调用频率。但现在，Tag 开始接手越来越多的定期任务、长程任务，还会主动找活儿，也就是能主动、持续地燃烧 token。

（3）AI 开始从“工具预算”，走向“人力预算”。

对企业来说，Claude Code 更多还是一个提效工具，花多少钱看的是软件预算，但 Tag 开始能完整替代一些真人员工了。

Anthropic 内部思考 Tag 定价时也是直接对标真人工资：如果未来一个岗位年薪 10 万，Tag 完成同样的工作只要小几万，企业就有充分的动力切换。

三件事叠加在一起，Claude Tag 有可能会给 Anthropic 带来第二条增长曲线。

而这可能也是整个 AI CapEx 周期接下来最关键的一道验证题。

过去两个月，AI 硬件经历了史诗级回撤，走到现在，仅仅证明 “AI 基本面没问题”，已经不足以让腰斩的股价重回高点，市场还需要看到一个新的、足够清晰的跳变，才能重新对 AI 的商业化空间形成共识。

这个跳变去年是 RL 和 post-training，今年上半年是 Coding，而下一个最可能的来源会是白领场景的进一步爆发。以 Tag 为代表的 Coworker 产品，或许是其中最重要的催化剂。

如果从 Anthropic 内部的情绪和使用体验来看，他们认为 AI 产品已经明确到了这样一个新的范式迁移点。Mythos 的能力跳变叠加 Claude Tag 的形态跃迁，让 AI Coworker 从一个概念变成了真正可用的产品，这种变化不亚于去年底 Opus 4.5 + Claude Code Harness 的成熟。但目前在成本、权限等方面还有一些卡点，尚未达到大规模扩散的临界点。

值得观察的是，未来某个节点，它会不会也像今年年初的 Claude Code 一样快速起飞。

 排版：陈宇聪